正在加载视频...

视频加载失败

返回首页

终于有人把华尔街 20 年真实交易经验，拆成 13 章 Python 量化实战配方，连代码都一起开源了。 Python for Algorithmic Trading Cookbook，1.2K Stars，MIT 开源，Packt 官方配套代码仓库。 作者 Jason Strimpel 干过芝加哥对冲基金交易、摩根大通风险管理，还做过 APAC CIO，这套内容明显不是拿几个 Demo 拼出来的。 以前学量化，经常是数据一套教程、因子一套、回测一套，真正到 Broker 实盘又得重新找资料。 它不一样，直接按完整交易链路往下教：拿数据、做因子、回测、评估风险，最后接 Interactive Brokers 真正部署。 核心能力： 1️⃣ 市场数据：OpenBB、免费行情、期权等数据获取和清洗直接实战 2️⃣ 因子研究：从金融数据里构建 Alpha Factors，再把因子变成交易信号 3️⃣ VectorBT 回测：批量测试参数，还专门讲 Walk-forward Optimization 4️⃣ Zipline Reloaded：用事件驱动框架做更接近真实交易的策略回测 5️⃣ Alphalens + Pyfolio：因子表现、收益、Sharpe、回撤、风险全部继续拆...

_zheergen's profile picture

爱吃折耳根的Ace

6,909 subscribers

28,774 次观看 • 5 天前 •via X (Twitter)

LIVE

Anya Rossi• Live Now

Private livecam show

3 条评论

峰信子 的头像
峰信子4 天前

有没有教程

Crio Songo 的头像
Crio Songo4 天前

这种一线从业者出来做的实战教程太难得，比网上拼凑的Demo靠谱多了，我这就去Star下来。

爱吃折耳根的Ace 的头像
爱吃折耳根的Ace4 天前

是的，这种反而是靠谱的

相关视频

兄弟们！想自己做量化，最浪费时间的往往不是写策略。 而是数据去哪找、框架怎么选、回测用什么、机器学习怎么接，最后实盘又得重新拼一套。 这 6 个 GitHub 仓库，基本把量化从“找资料”一路铺到“回测和交易”。 1️⃣ awesome-quant 30K star 量化圈的资源总目录。数据源、技术指标、定价、回测、组合优化、风险分析全都分类整理好了，不知道用什么库先来这里找。 2️⃣ machine-learning-for-trading 21K star 21K Stars，机器学习做量化的一整套教材 + 代码。从金融数据、特征工程、模型训练，一路做到回测、风险和实盘部署。 3️⃣ quant-trading 11K star 11K star 现成策略仓库。配对交易、统计套利、MACD、布林带、VIX、期权、CTA 都有，最适合直接拆别人的策略思路。 4️⃣ Backtrader 23.3K star Python 量化回测老牌框架。策略写完先扔历史行情里跑，订单、仓位、手续费、指标这些基础设施都给你准备好了。 5️⃣ Zipline Reloaded 2K star Quantopian 当年那套事件驱动回测引擎的持续维护版。想研究专业回测框架到底怎么设计，这个很值得拆。 6️⃣ CCXT 44.2K star 做 Crypto 基本绕不开。100+ 交易所统一成一套 API，行情、K 线、订单簿、账户、下单不用每家交易所重新对接。 如果你刚开始搭自己的量化系统： awesome-quant 找工具 machine-learning-for-trading 学完整流程 quant-trading 找策略灵感 Backtrader / Zipline 跑回测 CCXT 接加密交易所 这套先吃透，比一上来自己从零造轮子省太多时间。 做股票量化、Crypto 量化或者准备自己搭交易系统的，这 6 个建议直接保持看。
1:16

兄弟们！想自己做量化，最浪费时间的往往不是写策略。 而是数据去哪找、框架怎么选、回测用什么、机器学习怎么接，最后实盘又得重新拼一套。 这 6 个 GitHub 仓库，基本把量化从“找资料”一路铺到“回测和交易”。 1️⃣ awesome-quant 30K star 量化圈的资源总目录。数据源、技术指标、定价、回测、组合优化、风险分析全都分类整理好了，不知道用什么库先来这里找。 2️⃣ machine-learning-for-trading 21K star 21K Stars，机器学习做量化的一整套教材 + 代码。从金融数据、特征工程、模型训练，一路做到回测、风险和实盘部署。 3️⃣ quant-trading 11K star 11K star 现成策略仓库。配对交易、统计套利、MACD、布林带、VIX、期权、CTA 都有，最适合直接拆别人的策略思路。 4️⃣ Backtrader 23.3K star Python 量化回测老牌框架。策略写完先扔历史行情里跑，订单、仓位、手续费、指标这些基础设施都给你准备好了。 5️⃣ Zipline Reloaded 2K star Quantopian 当年那套事件驱动回测引擎的持续维护版。想研究专业回测框架到底怎么设计，这个很值得拆。 6️⃣ CCXT 44.2K star 做 Crypto 基本绕不开。100+ 交易所统一成一套 API，行情、K 线、订单簿、账户、下单不用每家交易所重新对接。 如果你刚开始搭自己的量化系统： awesome-quant 找工具 machine-learning-for-trading 学完整流程 quant-trading 找策略灵感 Backtrader / Zipline 跑回测 CCXT 接加密交易所 这套先吃透，比一上来自己从零造轮子省太多时间。 做股票量化、Crypto 量化或者准备自己搭交易系统的，这 6 个建议直接保持看。

爱吃折耳根的Ace

38,165 次观看 • 15 天前

卧槽！有人把机器学习做量化这件事，直接拆成了 27 章、9 个真实市场案例，再把代码、数据、回测和实盘部署全部开源了 项目叫 Machine Learning for Trading，GitHub 21.1K+ Stars，也是量化 ML 圈的圣经。 而且刚刚重做了第三版，不再只是教你训练几个模型，而是从一条交易想法开始，一路做到数据、因子、模型、回测、成本、风控，最后真正接到 Live Trading。 核心能力： 1️⃣ 数据这层非常硬：市场微观结构、SEC 财报、另类数据、订单簿、Crypto 链上数据，甚至合成金融数据都覆盖 2️⃣ 模型从 LightGBM、XGBoost 一路做到 Transformer、Mamba、TabPFN、因果机器学习和强化学习，不只是传统 ML 3️⃣ 9 个完整案例直接跑 ETF、Crypto 永续、美股日内、期权、外汇、期货和股票因子，不是只拿玩具数据演示 4️⃣ 回测不只看收益，还专门处理 Walk-forward、交易成本、过拟合、多重检验、Deflated Sharpe Ratio 这些量化最容易踩的坑 5️⃣ 新版把 RAG、知识图谱、Multi-Agent 金融研究也加进来了，还提供 61 个 Agent Skills 给 Coding Agent 直接用 6️⃣ 最后还有完整生产链：Portfolio、Risk、MLOps、漂移监控、熔断机制，以及 Interactive Brokers、Alpaca、QuantConnect 实盘方向 我觉得它真正厉害的地方，不是“教你哪个模型最准”。 而是逼你把一套量化策略真正走完整： 数据有没有未来函数？ 因子是不是碰巧有效？ 回测有没有过拟合？ 交易成本算没算？ 市场环境变了以后什么时候该停？ 最后才轮到“这个模型赚不赚钱”。 现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。 如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。
0:56

卧槽！有人把机器学习做量化这件事，直接拆成了 27 章、9 个真实市场案例，再把代码、数据、回测和实盘部署全部开源了 项目叫 Machine Learning for Trading，GitHub 21.1K+ Stars，也是量化 ML 圈的圣经。 而且刚刚重做了第三版，不再只是教你训练几个模型，而是从一条交易想法开始，一路做到数据、因子、模型、回测、成本、风控，最后真正接到 Live Trading。 核心能力： 1️⃣ 数据这层非常硬：市场微观结构、SEC 财报、另类数据、订单簿、Crypto 链上数据，甚至合成金融数据都覆盖 2️⃣ 模型从 LightGBM、XGBoost 一路做到 Transformer、Mamba、TabPFN、因果机器学习和强化学习，不只是传统 ML 3️⃣ 9 个完整案例直接跑 ETF、Crypto 永续、美股日内、期权、外汇、期货和股票因子，不是只拿玩具数据演示 4️⃣ 回测不只看收益，还专门处理 Walk-forward、交易成本、过拟合、多重检验、Deflated Sharpe Ratio 这些量化最容易踩的坑 5️⃣ 新版把 RAG、知识图谱、Multi-Agent 金融研究也加进来了，还提供 61 个 Agent Skills 给 Coding Agent 直接用 6️⃣ 最后还有完整生产链：Portfolio、Risk、MLOps、漂移监控、熔断机制，以及 Interactive Brokers、Alpaca、QuantConnect 实盘方向 我觉得它真正厉害的地方，不是“教你哪个模型最准”。 而是逼你把一套量化策略真正走完整： 数据有没有未来函数？ 因子是不是碰巧有效？ 回测有没有过拟合？ 交易成本算没算？ 市场环境变了以后什么时候该停？ 最后才轮到“这个模型赚不赚钱”。 现在第三版还配了 6 个独立的 ml4t Python 库和大量预计算案例数据，很多实验不用自己从头跑几天。 如果你想系统学机器学习量化，而不是东拼西凑几十篇教程，这个仓库真的值得啃。

爱吃折耳根的Ace

34,158 次观看 • 10 天前

做量化策略最烦的不是写逻辑，是搭架子。 这个库把数据源、持仓管理、订单执行、回测报告、部署接口——Investing Algorithm Framework 把这些全封装好了，1.7K stars。 一套代码，写完既能回测又能直接部署成交易机器人。ccxt 直连几十家交易所，数据自动转成 Polars DataFrame，快且省内存。 几个对量化党很实用的点： 1️⃣ 同一个策略函数，backtest() 跑历史，run() 直接上实盘，不用改代码 2️⃣ ccxt 集成：币安、OKX 等几十家交易所统一接口 3️⃣ 回测报告自带绩效分析，收益曲线一目了然 4️⃣ 支持做多做空、止损、仓位管理和信号冷却 5️⃣ 可部署到云函数，也能本地长期挂机 以前做加密策略：接 ccxt → 自己写仓位管理 → 自己写回测 → 自己写部署。现在这个框架一条龙，你只需要关心策略本身。 对想把策略从研究推到实盘的人，值得直接试一下。
0:59

做量化策略最烦的不是写逻辑，是搭架子。 这个库把数据源、持仓管理、订单执行、回测报告、部署接口——Investing Algorithm Framework 把这些全封装好了，1.7K stars。 一套代码，写完既能回测又能直接部署成交易机器人。ccxt 直连几十家交易所，数据自动转成 Polars DataFrame，快且省内存。 几个对量化党很实用的点： 1️⃣ 同一个策略函数，backtest() 跑历史，run() 直接上实盘，不用改代码 2️⃣ ccxt 集成：币安、OKX 等几十家交易所统一接口 3️⃣ 回测报告自带绩效分析，收益曲线一目了然 4️⃣ 支持做多做空、止损、仓位管理和信号冷却 5️⃣ 可部署到云函数，也能本地长期挂机 以前做加密策略：接 ccxt → 自己写仓位管理 → 自己写回测 → 自己写部署。现在这个框架一条龙，你只需要关心策略本身。 对想把策略从研究推到实盘的人，值得直接试一下。

爱吃折耳根的Ace

24,479 次观看 • 1 个月前

做加密量化，如果你不想回测一套、调参一套、实盘又重写一套，Freqtrade 基本把整条链路都给你接起来了。 freqtrade，54.3K stars，支持币安/OKX/Bybit 等所有主流交易所现货+合约，回测、FreqAI 机器学习、Telegram/网页控制全都有！ 以前写币圈交易机器人，得自己接交易所 API、做回测、做风控、做告警，一堆坑要踩。 freqtrade 不一样，开箱即用的完整交易机器人，交易所支持最全、社区最大、文档最全，全球量化玩家都在用。 核心能力： 1️⃣ 策略回测：直接用交易所历史 OHLCV 数据测试策略，手续费也会计入结果 2️⃣ Hyperopt 调参：可以自动搜索入场、出场、ROI、止损、移动止损等参数 3️⃣ Dry-Run 模拟盘：先用实时行情跑模拟交易，不碰真钱，验证回测和真实市场之间的差距 4️⃣ 实盘自动交易：支持 Binance、Bybit、OKX、Gate、Kraken、Hyperliquid 等，覆盖现货和多个期货市场 5️⃣ FreqAI：可以训练自适应机器学习模型，并定期重新训练，让模型跟随市场变化 6️⃣ 风控与交易对管理：支持白名单、黑名单、动态交易对、仓位管理和保护机制 7️⃣ WebUI + Telegram：直接查看持仓、盈亏、交易记录，也能远程启动、停止和管理 Bot 它是一个 Python 开源量化交易框架，从历史数据、策略开发、回测、参数优化，到模拟盘和实盘交易，都可以在同一套系统里完成。 做 Crypto 量化、策略回测、自动交易或者机器学习交易的，这个基本属于绕不开的项目。
1:08

做加密量化，如果你不想回测一套、调参一套、实盘又重写一套，Freqtrade 基本把整条链路都给你接起来了。 freqtrade，54.3K stars，支持币安/OKX/Bybit 等所有主流交易所现货+合约，回测、FreqAI 机器学习、Telegram/网页控制全都有！ 以前写币圈交易机器人，得自己接交易所 API、做回测、做风控、做告警，一堆坑要踩。 freqtrade 不一样，开箱即用的完整交易机器人，交易所支持最全、社区最大、文档最全，全球量化玩家都在用。 核心能力： 1️⃣ 策略回测：直接用交易所历史 OHLCV 数据测试策略，手续费也会计入结果 2️⃣ Hyperopt 调参：可以自动搜索入场、出场、ROI、止损、移动止损等参数 3️⃣ Dry-Run 模拟盘：先用实时行情跑模拟交易，不碰真钱，验证回测和真实市场之间的差距 4️⃣ 实盘自动交易：支持 Binance、Bybit、OKX、Gate、Kraken、Hyperliquid 等，覆盖现货和多个期货市场 5️⃣ FreqAI：可以训练自适应机器学习模型，并定期重新训练，让模型跟随市场变化 6️⃣ 风控与交易对管理：支持白名单、黑名单、动态交易对、仓位管理和保护机制 7️⃣ WebUI + Telegram：直接查看持仓、盈亏、交易记录，也能远程启动、停止和管理 Bot 它是一个 Python 开源量化交易框架，从历史数据、策略开发、回测、参数优化，到模拟盘和实盘交易，都可以在同一套系统里完成。 做 Crypto 量化、策略回测、自动交易或者机器学习交易的，这个基本属于绕不开的项目。

爱吃折耳根的Ace

23,631 次观看 • 26 天前

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。 它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具 它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。 做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看
0:51

🚨 卧槽！终于有开源项目把量化交易全流程打通了 QuantConnect Lean 目前 GitHub 上已有 20k+ star，是一个成熟的开源算法交易引擎。 它把数据接入、策略开发、回测、模拟盘和实盘执行全部整合在一起，形成了一套完整的量化闭环，而不是只做其中某一块，核心能力： > 支持股票、加密货币、外汇、期权、期货等多个资产 > 高性能事件驱动回测引擎，可精准模拟滑点、交易成本和市场冲击 > 支持 Python 和 C# 编写策略 > 可直接对接多家券商和数据源，实现从回测到实盘的一条龙 > 内置丰富的绩效分析和可视化工具 它真正有用的地方，是把量化交易最麻烦的工程底座标准化：你负责策略逻辑，它负责回测、撮合、组合、交易执行这些脏活。 做股票、期货、期权、加密货币量化研究，或者想让 AI Agent 写策略、回测策略的人，建议保存看看

爱吃折耳根的Ace

59,785 次观看 • 3 个月前

这可能是目前最完整的Python量化交易入门教程了 遇到一位真正把 Python 量化交易从零到一讲透的老师。 我问他，完全没有编程基础、也没有金融背景的人，能不能真正写出一套能跑通的量化回测系统？ 他不仅给了肯定的回答，还亲自录制了这支时长约 3 小时 的完整实战教程。 他从零开始，一步步手把手教你完成： 1️⃣环境搭建（Anaconda + Jupyter）与基础语法 2️⃣批量下载股票数据、数据清洗与归一化对比 3️⃣简单收益率 vs 对数收益率的核心区别 4️⃣风险收益指标、协方差、最大回撤计算 5️⃣手写双均线策略（做多+做空 & 仅做多） 6️⃣把整个回测逻辑封装成可复用的面向对象类（SMABacktester） 7️⃣最后接入 Alpha Vantage API，为后续实盘打基础 这不是半成品代码演示，而是真正完整的 Zero to Hero 路径。只要跟着敲一遍，就能掌握量化数据处理和基础策略回测的全流程。 时长虽然有 3 小时，但非常值得一看。 建议直接收藏，回家安静保存着慢慢看，认真跟着做一遍，收获会远超预期。
3:00:48

这可能是目前最完整的Python量化交易入门教程了 遇到一位真正把 Python 量化交易从零到一讲透的老师。 我问他，完全没有编程基础、也没有金融背景的人，能不能真正写出一套能跑通的量化回测系统？ 他不仅给了肯定的回答，还亲自录制了这支时长约 3 小时 的完整实战教程。 他从零开始，一步步手把手教你完成： 1️⃣环境搭建（Anaconda + Jupyter）与基础语法 2️⃣批量下载股票数据、数据清洗与归一化对比 3️⃣简单收益率 vs 对数收益率的核心区别 4️⃣风险收益指标、协方差、最大回撤计算 5️⃣手写双均线策略（做多+做空 & 仅做多） 6️⃣把整个回测逻辑封装成可复用的面向对象类（SMABacktester） 7️⃣最后接入 Alpha Vantage API，为后续实盘打基础 这不是半成品代码演示，而是真正完整的 Zero to Hero 路径。只要跟着敲一遍，就能掌握量化数据处理和基础策略回测的全流程。 时长虽然有 3 小时，但非常值得一看。 建议直接收藏，回家安静保存着慢慢看，认真跟着做一遍，收获会远超预期。

爱吃折耳根的Ace

34,760 次观看 • 2 个月前

我去！华尔街量化基金花几百万年薪养的那帮研究员，手里最核心的武器——强化学习交易框架，被哥伦比亚大学团队直接开源了！ FinRL，16.4K stars，全球首个金融强化学习开源框架。 以前想用强化学习做量化交易，要么从零搭 Gym 环境，要么照着论文自己造轮子。 FinRL 不一样，2020 年哥大团队开源，把「数据 → 训练 → 测试 → 交易」做成标准流水线，还带 15 个现成数据源。 核心能力： 1️⃣ 完整训练链路：数据处理、特征工程、训练、测试、回测，一套流程直接串起来 2️⃣ 内置 A2C、DDPG、PPO、TD3、SAC 等主流 DRL 算法，可以在同一市场环境里直接比较 3️⃣ 支持单股交易、多股票组合、资产配置、Crypto、A 股等不同金融任务 4️⃣ 市场环境会考虑交易成本、风险指标和仓位变化，不只是简单预测下一根 K 线 5️⃣ 自带 Benchmark，可以把强化学习策略和 DJIA、均值方差优化等传统方法放在一起比较 6️⃣ Jupyter 教程很多，从数据下载、训练 Agent 到回测结果，适合直接拆代码学整套流程 我觉得 FinRL 最有意思的地方，是它换了一个问题。 传统模型问：“明天涨还是跌？” FinRL 问：“在不断变化的市场里，现在到底该买多少、卖多少、还是继续持有？” 这才是强化学习真正适合交易的地方。 做强化学习量化、AI Trading Agent，或者想系统研究 DRL 怎么真正接进交易的，这个值得收藏。
1:00

我去！华尔街量化基金花几百万年薪养的那帮研究员，手里最核心的武器——强化学习交易框架，被哥伦比亚大学团队直接开源了！ FinRL，16.4K stars，全球首个金融强化学习开源框架。 以前想用强化学习做量化交易，要么从零搭 Gym 环境，要么照着论文自己造轮子。 FinRL 不一样，2020 年哥大团队开源，把「数据 → 训练 → 测试 → 交易」做成标准流水线，还带 15 个现成数据源。 核心能力： 1️⃣ 完整训练链路：数据处理、特征工程、训练、测试、回测，一套流程直接串起来 2️⃣ 内置 A2C、DDPG、PPO、TD3、SAC 等主流 DRL 算法，可以在同一市场环境里直接比较 3️⃣ 支持单股交易、多股票组合、资产配置、Crypto、A 股等不同金融任务 4️⃣ 市场环境会考虑交易成本、风险指标和仓位变化，不只是简单预测下一根 K 线 5️⃣ 自带 Benchmark，可以把强化学习策略和 DJIA、均值方差优化等传统方法放在一起比较 6️⃣ Jupyter 教程很多，从数据下载、训练 Agent 到回测结果，适合直接拆代码学整套流程 我觉得 FinRL 最有意思的地方，是它换了一个问题。 传统模型问：“明天涨还是跌？” FinRL 问：“在不断变化的市场里，现在到底该买多少、卖多少、还是继续持有？” 这才是强化学习真正适合交易的地方。 做强化学习量化、AI Trading Agent，或者想系统研究 DRL 怎么真正接进交易的，这个值得收藏。

爱吃折耳根的Ace

52,704 次观看 • 11 天前

做股票量化，其实真不一定非得拉一整支团队。 我把几个成熟的开源项目拼起来，一个人也能搭出一套比较完整的股票量化工作流： 数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行 我目前重点看的 5 个： Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整，适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做，回测和实盘基本是一套逻辑，网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉，很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整，美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合，把策略最终落到真实交易这一步。 这 5 个组合起来，大致就是： AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。 它们当然替代不了专业量化团队，但对个人来说，已经足够把一套股票量化流程真正跑起来。 想自己系统搭一套股票量化工作流的，这几个项目值得收藏跑一下的。
1:11

做股票量化，其实真不一定非得拉一整支团队。 我把几个成熟的开源项目拼起来，一个人也能搭出一套比较完整的股票量化工作流： 数据获取 → 因子/模型研究 → 回测验证 → 模拟/实盘执行 我目前重点看的 5 个： Qlib 48k star 微软出的 AI 量化投研平台。因子研究、机器学习、Walk-forward 都比较完整，适合把一个交易想法真正做成预测模型。 vnpy 44.8k star 中文量化里绕不开的框架。股票、期货都能做，回测和实盘基本是一套逻辑，网关和文档也很成熟。 AKShare 22.3k star A股 / 港股 / 美股的数据入口。行情、基本面、指数成分这些都能拉，很多国内量化项目的数据层就是从它开始。 QuantConnect Lean 21.4k star 偏机构级的多资产量化引擎。事件驱动、历史数据、回测和券商对接都比较完整，美股生态尤其成熟。 easytrader 10.1k star 偏 A 股实盘执行。可以接同花顺、miniQMT、雪球组合，把策略最终落到真实交易这一步。 这 5 个组合起来，大致就是： AKShare 负责数据 → Qlib 负责研究和模型 → vnpy / Lean 负责回测与交易框架 → easytrader 负责 A 股执行。 它们当然替代不了专业量化团队，但对个人来说，已经足够把一套股票量化流程真正跑起来。 想自己系统搭一套股票量化工作流的，这几个项目值得收藏跑一下的。

爱吃折耳根的Ace

20,323 次观看 • 1 个月前

强烈推荐给想系统入门量化交易的朋友。 这套《Algorithmic Trading Using Python》全长 4 小时 33 分钟，是目前比较完整的 Python 量化从基础到实战课程之一。 为什么值得看？ 最大特点是没有刻意剪掉错误，而是完整展示真实开发过程：API 报错、数据缺失、逻辑调试，直到策略最终跑通。 对于新手来说，这种带着问题一起解决的学习方式，比只展示最终结果的教程更有价值。 课程直接落地三类真实策略： 1️⃣ 等权重标普500（规避市值加权偏差） 2️⃣ 高质量动量选股（多周期 + 百分位评分） 3️⃣ 复合多因子价值筛选（避免单一估值陷阱） 完整流程覆盖： 真实金融数据获取 → 因子清洗 → 截面排序 → 股票分配 → 生成交易方案 整套流程可以作为学习量化研究框架的参考。 建议收藏，配合代码边看边练。 它最大的价值不是教你一个赚钱策略，而是让你理解专业量化研究从数据到策略的完整流程。 周末学起来吧。
4:33:02

强烈推荐给想系统入门量化交易的朋友。 这套《Algorithmic Trading Using Python》全长 4 小时 33 分钟，是目前比较完整的 Python 量化从基础到实战课程之一。 为什么值得看？ 最大特点是没有刻意剪掉错误，而是完整展示真实开发过程：API 报错、数据缺失、逻辑调试，直到策略最终跑通。 对于新手来说，这种带着问题一起解决的学习方式，比只展示最终结果的教程更有价值。 课程直接落地三类真实策略： 1️⃣ 等权重标普500（规避市值加权偏差） 2️⃣ 高质量动量选股（多周期 + 百分位评分） 3️⃣ 复合多因子价值筛选（避免单一估值陷阱） 完整流程覆盖： 真实金融数据获取 → 因子清洗 → 截面排序 → 股票分配 → 生成交易方案 整套流程可以作为学习量化研究框架的参考。 建议收藏，配合代码边看边练。 它最大的价值不是教你一个赚钱策略，而是让你理解专业量化研究从数据到策略的完整流程。 周末学起来吧。

爱吃折耳根的Ace

160,702 次观看 • 2 个月前

一个开源量化交易操作系统，从策略回测到实盘部署一站式完成 StockSharp 是一个免费的算法交易与量化交易平台，支持股票、外汇、加密货币和期权，可以直接用来开发交易机器人。 它提供了可视化策略设计器（Designer）、数据管理工具（Hydra）、图表交易终端（Terminal），以及完整的 C# 框架，适合不同水平的用户使用。 核心能力如下： > 可视化策略设计器：支持拖拽创建策略，也内置 C# 编辑器 > Hydra 数据工具：负责下载、存储和管理行情数据 > Terminal：提供图表和从图表直接交易的功能 > 支持多市场和多券商对接（Binance、Interactive Brokers、MT4 等） > 从策略研究、回测到实盘执行都能覆盖 > 代码开源，方便二次开发和定制 对想用 C# 做量化交易、或者需要一个相对完整的开源交易框架的人来说，这个项目完成度比较高。
0:44

一个开源量化交易操作系统，从策略回测到实盘部署一站式完成 StockSharp 是一个免费的算法交易与量化交易平台，支持股票、外汇、加密货币和期权，可以直接用来开发交易机器人。 它提供了可视化策略设计器（Designer）、数据管理工具（Hydra）、图表交易终端（Terminal），以及完整的 C# 框架，适合不同水平的用户使用。 核心能力如下： > 可视化策略设计器：支持拖拽创建策略，也内置 C# 编辑器 > Hydra 数据工具：负责下载、存储和管理行情数据 > Terminal：提供图表和从图表直接交易的功能 > 支持多市场和多券商对接（Binance、Interactive Brokers、MT4 等） > 从策略研究、回测到实盘执行都能覆盖 > 代码开源，方便二次开发和定制 对想用 C# 做量化交易、或者需要一个相对完整的开源交易框架的人来说，这个项目完成度比较高。

爱吃折耳根的Ace

11,202 次观看 • 2 个月前

卧槽！FMZ 官方直接开源了几百个现成策略，5.8K star、1.8K fork 直接整理了几千个现成量化策略，均线、趋势、网格、套利、资金费率、高频、期货、Crypto 基本都能找到。 以前你写个币圈策略，光交易所 API、精度、撮合、资金费率这些脏活就得啃几天，写出来还不一定跑得通。 它不一样，FMZ 就是发明者量化那个免费云平台，这仓库把策略广场里沉淀多年的源码一次性放出来，你直接抄、直接改、直接跑。 核心能力： 1️⃣ 几千个量化策略案例，直接看源码、逻辑和参数，不用每次从零开始想 2️⃣ 覆盖趋势跟踪、网格、套利、马丁、资金费率、高频、多周期等不同交易思路 3️⃣ 支持 JavaScript、Python、C++、Rust、Pine Script、麦语言等多种开发方式 4️⃣ 策略可以直接拿到 FMZ 做历史回测，看收益、回撤、成交和资金曲线 5️⃣ 支持 Paper Trading 和 24/7 实盘，可以从研究继续走到真实运行 6️⃣ FMZ 现在还集成了 AI + MCP，可以直接用自然语言辅助写策略、查市场和做量化研究 我比较喜欢它的一点是： 当你突然想研究一个策略，比如资金费率套利、网格或者趋势跟踪，不用先从白纸开始。 先来这里搜一遍别人怎么做，再拆逻辑、改参数、重新回测，效率会高很多。 更关键的是，这些策略还能继续丢到 FMZ 里回测、模拟，甚至跑实盘。 做 Crypto 量化、策略研究或者程序化交易的，这个很适合收藏。
1:17

卧槽！FMZ 官方直接开源了几百个现成策略，5.8K star、1.8K fork 直接整理了几千个现成量化策略，均线、趋势、网格、套利、资金费率、高频、期货、Crypto 基本都能找到。 以前你写个币圈策略，光交易所 API、精度、撮合、资金费率这些脏活就得啃几天，写出来还不一定跑得通。 它不一样，FMZ 就是发明者量化那个免费云平台，这仓库把策略广场里沉淀多年的源码一次性放出来，你直接抄、直接改、直接跑。 核心能力： 1️⃣ 几千个量化策略案例，直接看源码、逻辑和参数，不用每次从零开始想 2️⃣ 覆盖趋势跟踪、网格、套利、马丁、资金费率、高频、多周期等不同交易思路 3️⃣ 支持 JavaScript、Python、C++、Rust、Pine Script、麦语言等多种开发方式 4️⃣ 策略可以直接拿到 FMZ 做历史回测，看收益、回撤、成交和资金曲线 5️⃣ 支持 Paper Trading 和 24/7 实盘，可以从研究继续走到真实运行 6️⃣ FMZ 现在还集成了 AI + MCP，可以直接用自然语言辅助写策略、查市场和做量化研究 我比较喜欢它的一点是： 当你突然想研究一个策略，比如资金费率套利、网格或者趋势跟踪，不用先从白纸开始。 先来这里搜一遍别人怎么做，再拆逻辑、改参数、重新回测，效率会高很多。 更关键的是，这些策略还能继续丢到 FMZ 里回测、模拟，甚至跑实盘。 做 Crypto 量化、策略研究或者程序化交易的，这个很适合收藏。

爱吃折耳根的Ace

52,674 次观看 • 18 天前

多数开源量化框架的作者，自己都不用。 pysystemtrade 是个例外——作者 Rob Carver 拿它做自己的实盘交易系统，每周 5 天、每天 20 小时在跑，3.4K stars。 Rob Carver 就是那本经典《Systematic Trading》的作者，前 AHL 基金经理。 这个库是他书里那套系统化交易框架的开源实现，不是演示 demo，是"我靠它吃饭的引擎，顺手开源给你"。 核心亮点： 1️⃣ 作者实盘在用：他靠这套引擎交易期货，等于用真钱帮你做了测试 2️⃣ 完整系统化框架：回测、参数优化、组合构建、风控，书里原则全实现 3️⃣ 自动化实盘：ib_insync 直连 Interactive Brokers，能真正下单 4️⃣ 经典策略全套：趋势跟踪、均值回归、多品种组合，书中策略全有现成代码 5️⃣ 文档扎实：introduction、backtesting、data、production 一步步教到生产环境 它的本质，是"一个职业交易员把自己吃饭的家伙公开了"。 做期货系统化交易、想学机构级趋势跟踪怎么从回测走到实盘的，这是目前最接近生产级的学习范本。
0:57

多数开源量化框架的作者，自己都不用。 pysystemtrade 是个例外——作者 Rob Carver 拿它做自己的实盘交易系统，每周 5 天、每天 20 小时在跑，3.4K stars。 Rob Carver 就是那本经典《Systematic Trading》的作者，前 AHL 基金经理。 这个库是他书里那套系统化交易框架的开源实现，不是演示 demo，是"我靠它吃饭的引擎，顺手开源给你"。 核心亮点： 1️⃣ 作者实盘在用：他靠这套引擎交易期货，等于用真钱帮你做了测试 2️⃣ 完整系统化框架：回测、参数优化、组合构建、风控，书里原则全实现 3️⃣ 自动化实盘：ib_insync 直连 Interactive Brokers，能真正下单 4️⃣ 经典策略全套：趋势跟踪、均值回归、多品种组合，书中策略全有现成代码 5️⃣ 文档扎实：introduction、backtesting、data、production 一步步教到生产环境 它的本质，是"一个职业交易员把自己吃饭的家伙公开了"。 做期货系统化交易、想学机构级趋势跟踪怎么从回测走到实盘的，这是目前最接近生产级的学习范本。

爱吃折耳根的Ace

22,096 次观看 • 1 个月前

离谱！港大实验室把一支迷你量化对冲基金，直接开源 了 Vibe-Trading，34K+ Stars，MIT 开源，一套能自己找数据、挖因子、跑回测、组 Agent 团队的金融研究平台。 以前做一个量化策略，要自己找数据、写因子、选回测引擎、调参数、看结果，整个流程全靠人一点点拼。 Vibe-Trading 不一样，你只需要用自然语言说想研究什么，剩下的数据、因子、回测、Agent 分工，它自己往下跑。 核心能力： 1️⃣ 90 个 Finance Skills：行情、期权、因子、回测、研究工具都能直接让 Agent 调用 2️⃣ 462 个现成 Alpha：Qlib158、Alpha101、GTJA191、学术因子、基本面因子都已经整理好 3️⃣ 10+ 回测引擎：A 股、全球股票、Crypto、期货、外汇、期权等多个市场都能直接测 4️⃣ 30 个 Swarm Teams：投资委员会、Quant Desk、Risk Review、Macro、Crypto 等团队可以直接拉起来协作 5️⃣ Persistent Memory：过去研究、Session、Skills 和上下文可以继续保留，不用每次从零开始 6️⃣ Shadow Account：上传自己的 Broker Journal，AI 可以反推你的交易模式，再做反事实回测和审计 我觉得它最有意思的地方，是 AI 终于不只是“回答金融问题”。 而是开始真正执行一条研究链： 你提问题，它自己找数据、做分析、跑回测、拉 Agent 开会，最后把研究结果交回来。 以前要一桌量化研究员干的活，现在开始变成一句话启动。 做 AI 量化、股票研究、Crypto、因子挖掘，或者想把 Agent 真正接进投研流程的，这个很值得收藏。
0:55

离谱！港大实验室把一支迷你量化对冲基金，直接开源 了 Vibe-Trading，34K+ Stars，MIT 开源，一套能自己找数据、挖因子、跑回测、组 Agent 团队的金融研究平台。 以前做一个量化策略，要自己找数据、写因子、选回测引擎、调参数、看结果，整个流程全靠人一点点拼。 Vibe-Trading 不一样，你只需要用自然语言说想研究什么，剩下的数据、因子、回测、Agent 分工，它自己往下跑。 核心能力： 1️⃣ 90 个 Finance Skills：行情、期权、因子、回测、研究工具都能直接让 Agent 调用 2️⃣ 462 个现成 Alpha：Qlib158、Alpha101、GTJA191、学术因子、基本面因子都已经整理好 3️⃣ 10+ 回测引擎：A 股、全球股票、Crypto、期货、外汇、期权等多个市场都能直接测 4️⃣ 30 个 Swarm Teams：投资委员会、Quant Desk、Risk Review、Macro、Crypto 等团队可以直接拉起来协作 5️⃣ Persistent Memory：过去研究、Session、Skills 和上下文可以继续保留，不用每次从零开始 6️⃣ Shadow Account：上传自己的 Broker Journal，AI 可以反推你的交易模式，再做反事实回测和审计 我觉得它最有意思的地方，是 AI 终于不只是“回答金融问题”。 而是开始真正执行一条研究链： 你提问题，它自己找数据、做分析、跑回测、拉 Agent 开会，最后把研究结果交回来。 以前要一桌量化研究员干的活，现在开始变成一句话启动。 做 AI 量化、股票研究、Crypto、因子挖掘，或者想把 Agent 真正接进投研流程的，这个很值得收藏。

爱吃折耳根的Ace

83,810 次观看 • 6 天前

别急着买数据！这 6 个 Python 工具帮你搭建量化系统 很多人刚开始做量化，策略还没跑起来，就先把钱交给了数据商。 其实你缺的，可能不是付费数据，而是这几个实用的 Python 工具。 第一期先分享最常用的 6 个 1️⃣ yfinance 25k star 输入股票代码，就能从 Yahoo Finance 获取历史行情、分时数据、基本面、期权、外汇和加密资产。画 K 线、验证想法、快速回测，它通常是最省事的起点。 2️⃣ pandas-datareader 3.2k star 不只看股价，还能把宏观指标和 Fama-French 因子直接读进 Pandas。利率、通胀、市场因子，可以和资产价格放在一起研究。 3️⃣ Alpha Vantage 4.9k star 申请免费密钥后，就能调用股票、外汇、加密资产和常用技术指标。想快速获取 RSI、MACD 等数据，很方便。 4️⃣ Nasdaq Data Link 更像一个金融数据仓库，覆盖金融、经济和另类数据。平台既有免费资源，也有付费内容，研究时可以直接筛选免费部分。 5️⃣ Alpaca-py 1.5k star 官方 Python SDK，不仅可以获取市场数据，还能订阅实时数据流，并连接模拟交易。研究、信号和执行，可以逐步接到同一套流程里。 6️⃣ Finnhub 1.1k star 通过 REST 和 WebSocket 覆盖股票、外汇与加密资产，还能补充公司新闻和基本面信息，适合做实时监控和事件策略。 这 6 个工具，不只是简单收藏。 它们可以组合成一条完整的量化研究流程： 行情数据 → 宏观因子 → 策略研究 → 回测验证 → 实时监控 → 模拟交易 免费数据不一定适合直接实盘，但足够帮助你把量化研究系统搭起来。
1:44

别急着买数据！这 6 个 Python 工具帮你搭建量化系统 很多人刚开始做量化，策略还没跑起来，就先把钱交给了数据商。 其实你缺的，可能不是付费数据，而是这几个实用的 Python 工具。 第一期先分享最常用的 6 个 1️⃣ yfinance 25k star 输入股票代码，就能从 Yahoo Finance 获取历史行情、分时数据、基本面、期权、外汇和加密资产。画 K 线、验证想法、快速回测，它通常是最省事的起点。 2️⃣ pandas-datareader 3.2k star 不只看股价，还能把宏观指标和 Fama-French 因子直接读进 Pandas。利率、通胀、市场因子，可以和资产价格放在一起研究。 3️⃣ Alpha Vantage 4.9k star 申请免费密钥后，就能调用股票、外汇、加密资产和常用技术指标。想快速获取 RSI、MACD 等数据，很方便。 4️⃣ Nasdaq Data Link 更像一个金融数据仓库，覆盖金融、经济和另类数据。平台既有免费资源，也有付费内容，研究时可以直接筛选免费部分。 5️⃣ Alpaca-py 1.5k star 官方 Python SDK，不仅可以获取市场数据，还能订阅实时数据流，并连接模拟交易。研究、信号和执行，可以逐步接到同一套流程里。 6️⃣ Finnhub 1.1k star 通过 REST 和 WebSocket 覆盖股票、外汇与加密资产，还能补充公司新闻和基本面信息，适合做实时监控和事件策略。 这 6 个工具，不只是简单收藏。 它们可以组合成一条完整的量化研究流程： 行情数据 → 宏观因子 → 策略研究 → 回测验证 → 实时监控 → 模拟交易 免费数据不一定适合直接实盘，但足够帮助你把量化研究系统搭起来。

爱吃折耳根的Ace

23,304 次观看 • 2 个月前

我去！加密量化框架的天花板，策略从回测到实盘，一个 Python 类就能写完。 Jesse，8.5K stars。自托管框架。should_long / go_long 写逻辑，带止盈止损。多周期、多标的一起测，官方强调没有未来函数。杠杆、做空、部分成交都支持。 以前加密量化，回测一套、实盘再换交易所 SDK，指标还得自己对齐 K 线。 Jesse 不一样，研究、优化、模拟盘、实盘同一套策略代码。 核心能力： 1️⃣ 策略回测：支持多币种、多周期同时回测，并避免 Look-ahead Bias 2️⃣ 300+ 技术指标：均线、RSI、MACD 等直接调用，不用自己重复造轮子 3️⃣ 参数优化：通过 Optuna + Ray 并行搜索策略参数，批量寻找更好的组合 4️⃣ 策略验证：支持规则显著性检验和 Monte Carlo，检查收益到底是策略优势还是运气 5️⃣ 机器学习：可以从回测中采集训练数据，训练分类/回归模型，再直接放回策略里预测 6️⃣ 模拟盘 + 实盘：支持 Spot、Futures、杠杆、做空、分批成交以及多账户交易 7️⃣ Jesse MCP：可以直接接 Claude、Codex、Cursor、VS Code 等，让 AI 帮你写策略、跑回测、优化参数和分析结果 我比较喜欢它的一点是： 指标已经迁到 Rust，重计算会快一截。Hyperliquid、Binance 等现货和合约都能接。本机 PostgreSQL + Redis，策略不出自己机器。 做 Crypto 量化、策略回测、机器学习交易或者 AI Trading Agent 的，这个框架值得上手。 GitHub：
0:54

我去！加密量化框架的天花板，策略从回测到实盘，一个 Python 类就能写完。 Jesse，8.5K stars。自托管框架。should_long / go_long 写逻辑，带止盈止损。多周期、多标的一起测，官方强调没有未来函数。杠杆、做空、部分成交都支持。 以前加密量化，回测一套、实盘再换交易所 SDK，指标还得自己对齐 K 线。 Jesse 不一样，研究、优化、模拟盘、实盘同一套策略代码。 核心能力： 1️⃣ 策略回测：支持多币种、多周期同时回测，并避免 Look-ahead Bias 2️⃣ 300+ 技术指标：均线、RSI、MACD 等直接调用，不用自己重复造轮子 3️⃣ 参数优化：通过 Optuna + Ray 并行搜索策略参数，批量寻找更好的组合 4️⃣ 策略验证：支持规则显著性检验和 Monte Carlo，检查收益到底是策略优势还是运气 5️⃣ 机器学习：可以从回测中采集训练数据，训练分类/回归模型，再直接放回策略里预测 6️⃣ 模拟盘 + 实盘：支持 Spot、Futures、杠杆、做空、分批成交以及多账户交易 7️⃣ Jesse MCP：可以直接接 Claude、Codex、Cursor、VS Code 等，让 AI 帮你写策略、跑回测、优化参数和分析结果 我比较喜欢它的一点是： 指标已经迁到 Rust，重计算会快一截。Hyperliquid、Binance 等现货和合约都能接。本机 PostgreSQL + Redis，策略不出自己机器。 做 Crypto 量化、策略回测、机器学习交易或者 AI Trading Agent 的，这个框架值得上手。 GitHub：

爱吃折耳根的Ace

26,334 次观看 • 27 天前

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善 简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台 我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！
0:53

🚨 卧槽！终于有一个把量化全流程打通的开源平台了 Qbot 是一个支持完全本地部署的 AI 量化投研平台，从数据获取、策略开发、回测、模拟交易到实盘交易，形成完整闭环 Qbot核心特点： > 支持股票、基金、期货和加密货币 > 内置大量因子和策略模型，还支持自动化因子挖掘 > 支持机器学习、深度学习和强化学习策略 > 提供 GUI 和 Web 界面，操作相对友好 > 支持邮件、飞书、微信等实时通知 > 持续更新中，功能已经比较完善 简单来说，它把量化交易中最麻烦的「数据 → 策略 → 回测 → 实盘」这一整套流程，打造成了一个相对完整的本地化平台 我是 Ace，这边平时也会整理一些 AI / Web3 / 加密市场的新工具和实测体验，不整太多术语。感兴趣的朋友可以顺手关注一下，下次见！

爱吃折耳根的Ace

15,243 次观看 • 3 个月前

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。 作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。 核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰 它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。 不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。 做 A 股量化、想快速验证想法的，值得试试。
0:54

做量化最烦的不是写策略，是搭数据管道。 zvt 这个开源框架把"数据采集 + 因子 + 回测 + 机器学习 + 可视化"全焊死了，4.2K stars，A 股美股全覆盖。 作者自己说的核心思路就一句话：一行代码完成数据抓取、持久化、增量更新、机器学习、预测、展示。 Stock.record_data() 拉全 A 股 4000 多只票，Stock1dHfqKdata 拉 K 线，MaStockMLMachine 直接训练预测画图——全是模块化封装好的。 核心亮点： 1️⃣ 一套代码同时支持 A 股和美股，数据源东方财富/同花顺等国内渠道直连 2️⃣ 数据、因子、信号、交易、ML 五大模块解耦，每个都能独立用 3️⃣ 内置机器学习机器（Machine），MA 策略等经典模型开箱即练 4️⃣ Dash + Plotly 可视化界面，回测和研究场景够用 5️⃣ REST API + 独立前端，配合动态标签系统做 AI + 人工结合的实盘 6️⃣ 支持 QMT 行情和 tick 数据，实盘路径清晰 它的本质，是给 A 股量化研究者一个"从数据到模型"的完整底座。 不用再自己拼 yfinance、AkShare、backtrader，zvt 一套框架把这条路铺好了。 做 A 股量化、想快速验证想法的，值得试试。

爱吃折耳根的Ace

17,575 次观看 • 1 个月前

卧槽！A 股量化最费时间的，可能根本不是写策略，而是把 7000+ 股票的分钟数据真正变成“能回测的数据”。 free-stockdb，2.6K Stars，MIT 开源，一套专门给 A 股量化做的本地数据引擎。 以前做全市场回测，光数据就能耗死你：7000+ 股票分钟线拉数据 3-5 天、清洗 1-2 天、复权 1-2 天、建库 1-3 天、算指标 2-3 天，一套下来 10-15 个工作日才能跑通第一个策略。 free-stockdb 不一样，数据同步 / 清洗 / 复权 / 组织全在同步层完成，策略只读本地数据，C++ 时序引擎加 Rust 计算核心，开箱即用。 核心能力： 1️⃣ 全市场本地数据：日 / 周 / 月线、1/5/15/30 分钟 K，ETF 和 Tick 数据也能继续接 2️⃣ 复权直接做好：前复权、后复权、不复权、原始复权因子统一查询 3️⃣ 增量更新：第一次同步完，后面只处理变化数据，断网也能继续研究和回测 4️⃣ 本地计算：内置 39 种指标 + 5 类指数，批量股票可以直接一起算 5️⃣ C++ 时序引擎 + Zstd 压缩，不用自己再折腾 MySQL、表结构和查询优化 6️⃣ Python、HTTP、Excel/WPS、网页、MCP 五种方式都能调用，Claude / Codex 也能直接接 我觉得它真正有意思的地方，是把 A 股量化最脏、最费时间的数据工程先处理掉了。 以前是： 每跑一个策略 → 请求 API → 等数据 → 清洗 → 复权 → 再回测。 现在更像是先把整个市场搬到自己电脑里，后面选股、因子、回测、AI Agent 全部围着本地数据跑。 核心服务甚至只有约 2.2MB。 做 A 股量化、全市场回测、因子研究，或者想给自己的 AI 股票 Agent 搭本地数据底座的，这个很值得收藏。 仓库：
1:01

卧槽！A 股量化最费时间的，可能根本不是写策略，而是把 7000+ 股票的分钟数据真正变成“能回测的数据”。 free-stockdb，2.6K Stars，MIT 开源，一套专门给 A 股量化做的本地数据引擎。 以前做全市场回测，光数据就能耗死你：7000+ 股票分钟线拉数据 3-5 天、清洗 1-2 天、复权 1-2 天、建库 1-3 天、算指标 2-3 天，一套下来 10-15 个工作日才能跑通第一个策略。 free-stockdb 不一样，数据同步 / 清洗 / 复权 / 组织全在同步层完成，策略只读本地数据，C++ 时序引擎加 Rust 计算核心，开箱即用。 核心能力： 1️⃣ 全市场本地数据：日 / 周 / 月线、1/5/15/30 分钟 K，ETF 和 Tick 数据也能继续接 2️⃣ 复权直接做好：前复权、后复权、不复权、原始复权因子统一查询 3️⃣ 增量更新：第一次同步完，后面只处理变化数据，断网也能继续研究和回测 4️⃣ 本地计算：内置 39 种指标 + 5 类指数，批量股票可以直接一起算 5️⃣ C++ 时序引擎 + Zstd 压缩，不用自己再折腾 MySQL、表结构和查询优化 6️⃣ Python、HTTP、Excel/WPS、网页、MCP 五种方式都能调用，Claude / Codex 也能直接接 我觉得它真正有意思的地方，是把 A 股量化最脏、最费时间的数据工程先处理掉了。 以前是： 每跑一个策略 → 请求 API → 等数据 → 清洗 → 复权 → 再回测。 现在更像是先把整个市场搬到自己电脑里，后面选股、因子、回测、AI Agent 全部围着本地数据跑。 核心服务甚至只有约 2.2MB。 做 A 股量化、全市场回测、因子研究，或者想给自己的 AI 股票 Agent 搭本地数据底座的，这个很值得收藏。 仓库：

爱吃折耳根的Ace

20,065 次观看 • 6 天前

卧槽！量化交易资源优质合集又发现一个比较全的 wangzhe3224 整理的 awesome-systematic-trading，把系统化交易相关的工具和资源做了分类汇总，目前有 4.8K Star。 主要内容覆盖： 1️⃣ 回测与实盘框架（backtrader、Freqtrade、 等） 2️⃣ AI / 机器学习量化工具（FinRL、Qlib、FinGPT 等） 3️⃣ 因子分析与策略相关资源 4️⃣ 数据处理、指标计算、风险管理工具 5️⃣ 数据源和券商接口 6️⃣ 相关书籍、博客和研究资料 整体从数据、研究到回测和执行的工具都有覆盖，适合想系统找开源项目的人作为参考。 同时支持股票、加密货币、期货、期权、外汇等多个市场，适合做量化交易和系统化策略研究的人参考。 对做量化策略开发，或者想了解这个方向常用工具的人来说，这份列表比较实用。
1:01

卧槽！量化交易资源优质合集又发现一个比较全的 wangzhe3224 整理的 awesome-systematic-trading，把系统化交易相关的工具和资源做了分类汇总，目前有 4.8K Star。 主要内容覆盖： 1️⃣ 回测与实盘框架（backtrader、Freqtrade、 等） 2️⃣ AI / 机器学习量化工具（FinRL、Qlib、FinGPT 等） 3️⃣ 因子分析与策略相关资源 4️⃣ 数据处理、指标计算、风险管理工具 5️⃣ 数据源和券商接口 6️⃣ 相关书籍、博客和研究资料 整体从数据、研究到回测和执行的工具都有覆盖，适合想系统找开源项目的人作为参考。 同时支持股票、加密货币、期货、期权、外汇等多个市场，适合做量化交易和系统化策略研究的人参考。 对做量化策略开发，或者想了解这个方向常用工具的人来说，这份列表比较实用。

爱吃折耳根的Ace

58,772 次观看 • 2 个月前

这个量化交易引擎把「回测和实盘不一致」的问题解决得比较彻底 NautilusTrader 是一个用 Rust 编写核心引擎的开源量化交易平台，专为高可靠性和高性能设计，支持从研究、回测到实盘交易的全流程。 它最大的特点是回测与实盘使用同一套事件驱动架构和代码，能最大程度保证研究到实盘的一致性（research-to-live parity）。 核心亮点： 1️⃣ Rust 核心引擎 + Python 策略接口（性能和灵活性兼顾） 2️⃣ 确定性事件驱动架构，支持纳秒级精度 3️⃣ 多资产、多交易所支持（加密货币、股票、期货等） 4️⃣ 高性能 Rust 核心，适合对延迟和稳定性要求较高的场景 5️⃣ 模块化适配器，方便接入不同交易所和数据源 6️⃣ 支持高级订单类型和完整的回测、实盘执行流程 7️⃣ 同一套策略代码，回测和实盘执行逻辑完全相同 对想搭建专业级量化系统，或者需要把研究策略稳定迁移到实盘的人来说，这个项目目前开源里完成度比较高。
1:06

这个量化交易引擎把「回测和实盘不一致」的问题解决得比较彻底 NautilusTrader 是一个用 Rust 编写核心引擎的开源量化交易平台，专为高可靠性和高性能设计，支持从研究、回测到实盘交易的全流程。 它最大的特点是回测与实盘使用同一套事件驱动架构和代码，能最大程度保证研究到实盘的一致性（research-to-live parity）。 核心亮点： 1️⃣ Rust 核心引擎 + Python 策略接口（性能和灵活性兼顾） 2️⃣ 确定性事件驱动架构，支持纳秒级精度 3️⃣ 多资产、多交易所支持（加密货币、股票、期货等） 4️⃣ 高性能 Rust 核心，适合对延迟和稳定性要求较高的场景 5️⃣ 模块化适配器，方便接入不同交易所和数据源 6️⃣ 支持高级订单类型和完整的回测、实盘执行流程 7️⃣ 同一套策略代码，回测和实盘执行逻辑完全相同 对想搭建专业级量化系统，或者需要把研究策略稳定迁移到实盘的人来说，这个项目目前开源里完成度比较高。

爱吃折耳根的Ace

13,143 次观看 • 2 个月前